繩韻，許晨，鄭光遠

研究與開發(fā)

基于NOMA的超密集MEC網(wǎng)絡任務卸載和資源分配方案

繩韻1,2，許晨2，鄭光遠3

（1.華北電力大學電氣與電子工程學院，北京 102206；2.北京郵電大學人工智能學院，北京 100876；3.華南理工大學電子與信息學院，廣東 廣州 510641）

為了提高移動邊緣計算（mobile edge computing，MEC）網(wǎng)絡的頻譜效率，滿足大量用戶的服務需求，建立了基于非正交多址接入（non-orthogonal multiple access，NOMA）的超密集MEC系統(tǒng)模型。為了解決多個用戶同時卸載帶來的嚴重通信干擾等問題，以高效利用邊緣服務器資源，提出了一種聯(lián)合任務卸載和資源分配的優(yōu)化方案，在滿足用戶服務質量的前提下最小化系統(tǒng)總能耗。該方案聯(lián)合考慮了卸載決策、功率控制、計算資源和子信道資源分配。仿真結果表明，與其他卸載方案相比，所提方案可以在滿足用戶服務質量的前提下有效降低系統(tǒng)能耗。

移動邊緣計算；非正交多址接入；任務卸載；資源分配

0 引言

隨著各種智能設備和網(wǎng)絡服務的迅速發(fā)展，人臉識別、自動駕駛、虛擬現(xiàn)實等智能應用越來越普及。這些應用無一例外地需要龐大的計算資源對數(shù)據(jù)進行實時處理。然而，由于設備物理尺寸和電池容量受限，一般的智能設備無法提供強大的計算能力滿足這些應用的需求。為了應對這一挑戰(zhàn)，歐洲電信標準化協(xié)會于2014年提出了移動邊緣計算（mobile edge computing，MEC）的概念，旨在無線網(wǎng)絡邊緣側（如基站、無線接入點等）部署具有強大計算能力的服務器就近為用戶提供所需的服務[1]。借助MEC，用戶可以將自己的計算任務卸載到邊緣服務器上執(zhí)行，從而降低任務的計算時延、減少用戶的能耗，并滿足用戶的服務質量（quality of service，QoS）要求[2-3]。然而，隨著移動終端數(shù)量的指數(shù)級增長，由于頻譜資源有限，傳統(tǒng)的蜂窩MEC網(wǎng)絡無法滿足大規(guī)模用戶同時卸載的服務需求。

超密集網(wǎng)絡（ultra-dense network，UDN）和非正交多址接入（non-orthogonal multiple access，NOMA）是未來無線網(wǎng)絡中提高頻譜利用率和系統(tǒng)吞吐量的兩種新興技術[4-5]。UDN的基本原理是在宏蜂窩內部署小基站，不同小小區(qū)通過復用宏小區(qū)的信道資源提升網(wǎng)絡的頻譜利用率[6]。由于同層干擾和跨層干擾的存在，如何有效地進行干擾管理和資源分配在超密集網(wǎng)絡中是非常重要的。子信道分配是超密集網(wǎng)絡中進行干擾管理的重要手段。不同于傳統(tǒng)的正交多址接入（orthogonal multiple access，OMA）技術，NOMA技術通過功率域復用，在發(fā)送端使用疊加編碼的方式使多個用戶占用相同的頻域/時域資源進行信號傳輸，然后在接收端采用串行干擾消除（successive interference cancellation，SIC）技術識別不同用戶的信號[7]，以獲得更高的頻譜效率和更大的系統(tǒng)吞吐量。近年來，許多研究已經(jīng)證明了NOMA和超密集網(wǎng)絡的結合在提升頻譜效率和系統(tǒng)吞吐量方面的優(yōu)勢[8-9]。

目前，已存在一些工作研究了NOMA和MEC技術的融合。文獻[4]將NOMA技術應用在MEC網(wǎng)絡的上行和下行鏈路，并證明了NOMA技術的引入可以進一步降低卸載過程的時延和能耗。文獻[10]提出了一種聯(lián)合計算卸載和資源分配的方案以實現(xiàn)任務執(zhí)行時延的最小化。文獻[11]提出了一種聯(lián)合優(yōu)化傳輸功率、傳輸時間分配和任務卸載分區(qū)的方案，達到最小化用戶總能耗的目的。關于MEC和超密集網(wǎng)絡的結合，文獻[5]設計了計算卸載機制使設備的總能耗最小化。文獻[12]綜合考慮了任務執(zhí)行時間和能量消耗，提出了一個任務虛擬機匹配算法。最近也有一些工作研究了基于超密集網(wǎng)絡中的NOMA-MEC系統(tǒng)[13-15]。文獻[13]研究了超密集網(wǎng)絡中NOMA-MEC系統(tǒng)的資源分配問題，以最小化系統(tǒng)總開銷為目標，聯(lián)合優(yōu)化了用戶分簇、發(fā)射功率和計算資源分配。文獻[14]考慮了一種兩層的異構網(wǎng)絡，用戶可以通過NOMA技術將計算任務卸載到宏基站或者小基站執(zhí)行，并提出了一種高效的邊緣卸載決策算法最小化計算成本。以最大化系統(tǒng)能效為目標，文獻[15]研究了基于NOMA的MEC在超密集網(wǎng)絡中的用戶接入、傳輸功率和計算資源分配的聯(lián)合優(yōu)化問題。

從現(xiàn)有的研究工作中看，部分研究者對超密集網(wǎng)絡中NOMA-MEC系統(tǒng)的任務卸載和資源分配聯(lián)合優(yōu)化進行了研究，然而忽略了子信道資源的高效分配問題。在超密集網(wǎng)絡中，信道資源分配是一種降低干擾、提高頻譜效率和能效的重要手段。在NOMA-MEC超密集網(wǎng)絡中，多個用戶同時進行任務卸載會產(chǎn)生嚴重的干擾，從而造成傳輸時延的增加和發(fā)射功率的浪費，影響用戶的服務體驗。而信道資源分配是一種降低干擾、提高頻譜效率和能效的重要手段。此外，在基于NOMA的異構MEC網(wǎng)絡中，卸載決策和用戶間的計算資源競爭會影響信道分配方案的設計，這比傳統(tǒng)的NOMA異構網(wǎng)絡[8-9]更具有挑戰(zhàn)性。因此，本文提出了一種聯(lián)合任務卸載和多維度資源分配的優(yōu)化方案，綜合考慮了任務卸載決策、用戶功率控制、計算資源和子信道資源分配，在滿足用戶QoS的前提下最小化系統(tǒng)能耗。本文的主要貢獻如下。

（1）構建了一個基于NOMA的超密集MEC網(wǎng)絡，其中每個小基站都部署一個MEC服務器并使用NOMA技術服務其相關用戶。之后，本文提出了一個聯(lián)合任務卸載決策、功率控制、計算資源和子信道資源分配的優(yōu)化問題，在保證每個任務QoS的前提下最小化所有用戶的能耗。

（2）由于所提優(yōu)化問題是一個混合整數(shù)非線性規(guī)劃，屬于NP難問題，無法在多項式時間內獲得最優(yōu)解，因此本文將原混合問題解耦為多個子問題，并提出一個基于迭代優(yōu)化算法的解決方案，獲得原問題的近似最優(yōu)解。

（3）通過模擬仿真實驗，將提出的方案與不同的卸載方案和正交接入方案進行了對比。仿真結果表明，與其他卸載方案相比，本文所提方案可以實現(xiàn)更低的系統(tǒng)能耗，并且能夠以較低的復雜度獲得接近窮舉方案得到的結果。

1 系統(tǒng)模型與問題描述

圖1 基于NOMA的超密集MEC系統(tǒng)模型

1.1 通信模型

1.2 計算模型

（1）本地計算

相應能量消耗為：

（2）邊緣計算

上傳過程中的能耗為：

能耗為：

1.3 問題描述

本文以最小化用戶總能耗為目標，聯(lián)合考慮任務卸載決策、功率控制、計算資源和子信道資源分配，同時保證每個任務的服務質量要求。優(yōu)化問題描述為：

式（11）是一個混合整數(shù)非線性規(guī)劃問題，它涉及二元變量和連續(xù)變量，且目標函數(shù)是非凸的。此外，卸載決策與資源分配的耦合使得問題更具挑戰(zhàn)性。一般情況下無法在多項式時間復雜度內獲得該問題的最優(yōu)解。因此，本文使用塊坐標下降法將原問題解耦為資源分配子問題和卸載決策子問題[16]，通過迭代求解這兩個子問題直到目標值收斂，即可獲得原問題的近似解。

2 聯(lián)合任務卸載和資源分配的優(yōu)化方案

本節(jié)提出了一種聯(lián)合任務卸載和資源分配的方案，通過迭代求解資源分配和卸載決策兩個子問題，得到所提問題的聯(lián)合解。

2.1 資源分配

式（12）也是一個涉及二元變量和連續(xù)變量的混合整數(shù)非線性規(guī)劃問題，且目標函數(shù)是非凸的，不同優(yōu)化變量之間具有強耦合性。為了解決該問題，將其解耦為兩個子問題，即計算資源分配問題，以及聯(lián)合子信道分配和功率控制問題，通過解決這兩個子問題獲得式（12）的解。

2.1.1 計算資源分配

由式（5）～式（9）可知，分配給用戶的計算資源越多，任務執(zhí)行過程中花費的時間越少，那么在總時延約束不變的條件下，留給任務上傳的時間越長，則用戶的上傳能耗越小[17]。因此，從計算資源分配的角度出發(fā)，能耗優(yōu)化問題可以表述為最小化每個小基站服務的卸載用戶的任務執(zhí)行時延，即：

相應地，可以得到每個任務的最小上傳速率要求為：

2.1.2 子信道分配

給定計算資源分配條件下，原問題（12）可以轉化為如下通信資源分配問題：

對于每一個小基站，其效用函數(shù)可以定義為服務的所有卸載用戶能耗總和的倒數(shù)：

兩個小基站交換它們匹配的子信道，同時保持其他小基站匹配不變。交換阻塞對定義如下。

上述定義表明，如果一個交換匹配批準通過，那么所有參與此次交換匹配的小基站和子信道的效用值不會降低，且至少有一個參與者的效用值會提高。

基于上述定義，本文提出了一種基于交換匹配的子信道分配和功率控制算法。首先，將每個小基站隨機匹配一個子信道，得到一個初始匹配結果。在交換匹配過程中，隨機選擇兩個小基站，并臨時交換它們匹配的子信道，其他小基站的匹配保持不變。然后對兩個子信道上的用戶執(zhí)行功率控制，得到基站和子信道的效用值。這兩個小基站形成交換阻塞對，則執(zhí)行交換操作。交換匹配過程持續(xù)進行，直到不存在交換阻塞對，最終獲得雙邊交換穩(wěn)定的匹配結果。

2.1.3 功率控制

該問題是凸優(yōu)化問題，可利用凸優(yōu)化工具直接求解[18]。因此，可以利用SCA算法迭代解決式（26）獲得原式（22）的解[23]。

2.1.4 資源分配算法

通過求解上述兩個子問題（式（17）和式（22）），得到最終的任務卸載用戶的資源分配算法，見算法1。

算法1 任務卸載用戶的資源分配算法

1）計算資源分配

4）通過式（15）得到計算資源分配結果

5）通過式（16）計算最小數(shù)據(jù)速率要求

6）end for

7）end for

8）聯(lián)合子信道分配和功率控制

10）交換匹配過程

11）Repeat

17） end if

18） end for

19） end for

20）until 沒有交換阻塞對存在

引理1 每次交換操作后，系統(tǒng)能耗降低。

定理1 算法1在有限次交換匹配過程中收斂。

證明 因為用戶數(shù)量有限，所以計算資源分配過程的循環(huán)次數(shù)也有限。算法1的收斂性主要取決于交換匹配過程。根據(jù)引理1，每次交換操作后，系統(tǒng)的總能耗都會降低。此外，由于有限的通信和計算資源，系統(tǒng)能耗是有界的。因此，算法1在有限次迭代后必然會收斂。

2.2 卸載決策優(yōu)化

2.3 聯(lián)合優(yōu)化方案

本節(jié)提出一個聯(lián)合任務卸載和資源分配算法，見算法2。

算法2 聯(lián)合任務卸載和資源分配算法

1）Repeat

2）通過表1計算任務卸載用戶的能耗

3）通過式（27）更新用戶的卸載決策

4）until 沒有用戶改變自身卸載決策

3 仿真分析

本節(jié)通過仿真驗證所提聯(lián)合優(yōu)化算法的性能，仿真參數(shù)見表1。假設一個半徑為1 000 m的宏小區(qū)，小小區(qū)隨機分布在該區(qū)域中。小基站的數(shù)量為4～8個，子信道數(shù)量為4個，并假設每個基站的計算能力可以滿足關聯(lián)用戶的計算需求。為了限制同信道干擾，降低硬件復雜度和處理時延，假設每個NOMA簇包含2個用戶，每個小基站分配一個子信道[24]。詳細仿真參數(shù)設置見表1，這些參數(shù)是根據(jù)現(xiàn)有研究[5,25]設置的。在仿真中，將所提出的基于NOMA的任務卸載和資源分配方案（NOMA-task offloading and resource allocation，N-TORA）與其他4種方案的能耗性能進行了比較。為了便于理解，對文獻[3，26-27]中的對比方案和其他基準方案進行了說明，如下所示：

（1）全部本地執(zhí)行方案（entire local processing，ELP）：每個用戶的任務都在本地執(zhí)行，即ELP方案。

（2）全部MEC執(zhí)行方案[3]（entire MEC processing，EMP）：結合文獻[3]中的EMP方案，即所有用戶的任務都卸載到關聯(lián)基站上執(zhí)行，通過算法1獲得發(fā)射功率、計算資源和子信道分配的結果。

（3）基于OMA的任務卸載和資源分配方案[26]（OMA-task offloading and resource allocation，O-TORA）：為了研究子信道分配對系統(tǒng)性能的影響，將所提N-TORA方案與文獻[26]中的方案進行了對比。文獻[26]中用戶通過正交頻分多址接入方式將任務卸載到關聯(lián)基站上，即每個小小區(qū)的帶寬平均分配給關聯(lián)用戶。

（4）聯(lián)合功率控制和子信道分配的任務卸載和資源分配方案[27]（joint power allocation and sub-channel assignment-task offloading and resource allocation，JPS-TORA）：由于復雜度較高，在仿真中很難通過窮舉算法找到最優(yōu)的任務卸載和子信道分配方案，因此，采用文獻[27]中的聯(lián)合功率控制和子信道分配算法獲得最優(yōu)的子信道，并結合所提出的任務卸載和資源分配方案以實現(xiàn)全局最優(yōu)解。

表1 仿真參數(shù)

圖2為總能耗與算法2的迭代次數(shù)的關系。從圖2可以看出，隨著小基站數(shù)量的增加，總能耗也逐漸增加。此外，隨著迭代次數(shù)的增加，系統(tǒng)能耗會逐漸降低并最終收斂于一個定值。圖2中收斂所需的迭代次數(shù)為2次，說明所提N-TORA方案的收斂速度是非常快的。

圖2 總能耗與迭代次數(shù)關系

圖3 總能耗與小基站數(shù)量關系

圖4為不同算法下所有用戶的總能耗與任務最大容忍時延的關系。由圖4可知，隨著任務時延要求放寬，能耗逐漸降低。這是因為隨著任務卸載傳輸時間延長，發(fā)射功率要求降低，從而減小了任務上傳過程中的能耗。此外，所提N-TORA方案在節(jié)約能耗方面具有明顯優(yōu)勢。

圖5為子信道數(shù)量不同時，總能耗與小基站數(shù)量的關系。由圖5可知，隨著小基站數(shù)量的增加，總能耗是逐漸增加的。另外，子信道數(shù)量減少會導致系統(tǒng)總能耗增大，這是因為當子信道較少時，占用同一子信道的小小區(qū)數(shù)量增加，導致嚴重的小區(qū)間干擾，進而增加了卸載過程的能耗。

圖4 總能耗與任務最大容忍時延關系

圖5 總能耗與小基站數(shù)量關系

圖6 總能耗與輸入數(shù)據(jù)大小關系

圖7 卸載用戶比例與輸入數(shù)據(jù)大小的關系

4 結束語

本文研究了基于NOMA的超密集MEC網(wǎng)絡中以能耗最小化為目標的任務卸載和資源分配問題。為了在保證每個任務的QoS的要求下，最小化所有用戶的能耗，本文聯(lián)合優(yōu)化了卸載決策、發(fā)射功率、計算資源和子信道資源分配。由于該優(yōu)化問題是一個混合整數(shù)非線性問題，通常無法在多項式時間內得到最優(yōu)解，因此，本文將原問題解耦為卸載決策和資源分配兩個子問題，并提出了一種高效迭代優(yōu)化方案獲得原問題的近似解。仿真結果表明，與其他基準方案相比，所提方案能夠實現(xiàn)更低的系統(tǒng)能耗，并且以較低的復雜度獲得接近窮舉方案的結果。在未來，可將目前的工作擴展到協(xié)同計算場景，允許用戶的任務可以由不同的MEC服務器協(xié)同執(zhí)行。此外，筆者還將考慮MEC服務器的緩存能力，通過預先緩存多個用戶所需的數(shù)據(jù)庫或程序節(jié)約系統(tǒng)的通信和計算資源。

[1] MACH P, BECVAR Z. Mobile edge computing: a survey on architecture and computation offloading[J]. IEEE Communications Surveys & Tutorials, 2017, 19(3): 1628-1656.

[2] MAO Y Y, YOU C S, ZHANG J, et al. A survey on mobile edge computing: the communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, 19(4): 2322-2358.

[3] ZHAO J H, LI Q P, GONG Y, et al. Computation offloading and resource allocation for cloud assisted mobile edge computing in vehicular networks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(8): 7944-7956.

[4] DING Z G, FAN P Z, POOR H V. Impact of non-orthogonal multiple access on the offloading of mobile edge computing[J]. IEEE Transactions on Communications, 2019, 67(1): 375-390.

[5] FENG S M, ZHANG R, XU W, et al. Multiple access design for ultra-dense VLC networks: orthogonal vs non-orthogonal[J]. IEEE Transactions on Communications, 2019, 67(3): 2218-2232.

[6] LI J, CHU S F, SHU F, et al. Contract-based small-cell caching for data disseminations in ultra-dense cellular networks[J]. IEEE Transactions on Mobile Computing, 2019, 18(5): 1042-1053.

[7] ABU MAHADY I, BEDEER E, IKKI S, et al. Sum-rate maximization of NOMA systems under imperfect successive interference cancellation[J]. IEEE Communications Letters, 2019, 23(3): 474-477.

[8] ZHANG Q, LUO K, WANG W, et al. Joint C-OMA and C-NOMA wireless backhaul scheduling in heterogeneous ultra dense networks[J]. IEEE Transactions on Wireless Communications, 2020, 19(2): 874-887.

[9] QIN Z J, YUE X W, LIU Y W, et al. User association and resource allocation in unified NOMA enabled heterogeneous ultra dense networks[J]. IEEE Communications Magazine, 2018, 56(6): 86-92.

[10] WU Y, NI K J, ZHANG C, et al. NOMA-assisted multi-access mobile edge computing: a joint optimization of computation offloading and time allocation[J]. IEEE Transactions on Vehicular Technology, 2018, 67(12): 12244–12258.

[11] PAN Y J, CHEN M, YANG Z H, et al. Energy-efficient NOMA-based mobile edge computing offloading[J]. IEEE Communications Letters, 2019, 23(2): 310-313.

[12] SENG S M, LUO C Q, LI X, et al. User matching on blockchain for computation offloading in ultra-dense wireless networks[J]. IEEE Transactions on Network Science and Engineering, 2021, 8(2):1167-1177.

[13] LI L X, CHENG Q Q, TANG X, et al. Resource allocation for NOMA-MEC systems in ultra-dense networks: a learning aided mean-field game approach[J]. IEEE Transactions on Wireless Communications, 2021, 20(3):1487-1500.

[14] NOURI N, ABOUEI J, JASEEMUDDIN M, et al. Joint access and resource allocation in ultradense mmWave NOMA networks with mobile edge computing[J]. IEEE Internet of Things Journal, 2020, 7(2): 1531-1547.

[15] SENG S M, LI X, JI H, et al. Joint access selection and heterogeneous resources allocation in UDNs with MEC based on non-orthogonal multiple access[C]//Proceedings of 2018 IEEE International Conference on Communications Workshops. Piscataway: IEEE Press, 2018: 1-6.

[16] LI Y, XU G C, GE J Q, et al. Jointly optimizing helpers selection and resource allocation in D2D mobile edge computing[C]//Proceedings of 2020 IEEE Wireless Communications and Networking Conference. Piscataway: IEEE Press, 2020: 1-6.

[17] HAN S J, XU X D, FANG S S, et al. Energy efficient secure computation offloading in NOMA-based mMTC networks for IoT[J]. IEEE Internet of Things Journal, 2019, 6(3): 5674-5690.

[18] 吳柳青, 朱曉榮. 基于邊-端協(xié)同的任務卸載資源分配聯(lián)合優(yōu)化算法[J]. 電信科學, 2020, 36(3): 42-52.

WU L Q, ZHU X R. Joint optimization algorithm for task offloading resource allocation based on edge-end collaboration[J]. Telecommunications Science, 2020, 36(3): 42-52.

[19] BANDO K. Many-to-one matching markets with externalities among firms[J]. Journal of Mathematical Economics, 2012, 48(1): 14-20.

[20] 崔靜靜. 非正交多址接入系統(tǒng)功率分配優(yōu)化設計與性能分析[D]. 成都: 西南交通大學, 2018.

CUI J J. Power allocation optimization design and performance analysis of non-orthogonal multiple access system[D]. Chengdu: Southwest Jiaotong University, 2018.

[21] BODINE-BARON E, LEE C, CHONG A, et al. Peer effects and stability in matching markets[C]//Proceedings of International Symposium on Algorithmic Game Theory. [S.l.:s.n.], 2011.

[22] LI S L, TAO Y Z, QIN X Q, et al. Energy-aware mobile edge computation offloading for IoT over heterogenous networks[J]. IEEE Access, 2019(7): 13092-13105.

[23] PAPANDRIOPOULOS J, EVANS J S. SCALE: a low-complexity distributed protocol for spectrum balancing in multiuser DSL networks[J]. IEEE Transactions on Information Theory, 2009, 55(8): 3711-3724.

[24] ZHAO J J, LIU Y W, CHAI K K, et al. Spectrum allocation and power control for non-orthogonal multiple access in HetNets[J]. IEEE Transactions on Wireless Communications, 2017, 16(9): 5825-5837.

[25] WU W, ZHOU F H, HU R Q, et al. Energy-efficient resource allocation for secure NOMA-enabled mobile edge computing networks[J]. IEEE Transactions on Communications, 2020, 68(1): 493-505.

[26] TANG L R, HU H L. Computation offloading and resource allocation for the Internet of Things in energy-constrained MEC-enabled HetNets[J]. IEEE Access, 2020(8): 47509-47521.

[27] DI B Y, SONGL Y, LI Y H. Sub-channel assignment, power allocation, and user scheduling for non-orthogonal multiple access networks[J]. IEEE Transactions on Wireless Communications, 2016, 15(11): 7686-7698.

Task offloading and resource allocation in NOMA-based ultra-dense MEC networks

SHENG Yun1,2, XU Chen2, ZHENG Guangyuan3

1.School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China 2.School of Artificial Intelligence, Beijing University of Posts and Telecommunications, Beijing 100876, China 3.School of Electronic and Information Engineering, South China University of Technology, Guangzhou 510641, China

In order to improve spectrum efficiency and meet the service demands of massive users, a non-orthogonal multiple access (NOMA)-based ultra-dense mobile edge computing (MEC) system was considered. In order to solve the serious communication interference caused by simultaneous offloading of multiple users and make efficient use of edge server resources, a joint task offloading and resource allocation scheme was proposed to minimize the system energy consumption while meeting the quality of service (QoS) of all users. Offloading decision, power control, computation resource and subchannel resource allocation were jointly considered in the proposed scheme. Simulations results show that the proposed scheme can efficiently lower system energy consumption compared to the other offloading schemes.

MEC, NOMA, task offloading, resource allocation

TN929.5

A

10.11959/j.issn.1000?0801.2022033

2021?10?12；

2022?02?09

許晨，chen.xu@bupt.edu.cn

國家自然科學基金資助項目（No.62071179）；北京市科技新星計劃項目（No.Z191100001119124）；中央高?；究蒲袠I(yè)務費專項資金資助項目（No.2019MS009）

The National Natural Science Foundation of China (No.62071179), The Beijing Nova Program of Science and Technology (No.Z191100001119124), The Fundamental Research Funds for the Central Universities (No.2019MS009)

繩韻（1998? ），女，華北電力大學電氣與電子工程學院碩士生，主要研究方向為移動邊緣計算網(wǎng)絡中的資源管理。

許晨（1988? ），女，博士，北京郵電大學人工智能學院副研究員、博士生導師，主要研究方向為智能網(wǎng)絡優(yōu)化、協(xié)作通信與計算、未來移動通信系統(tǒng)。

鄭光遠（1996? ），男，華南理工大學電子與信息學院博士生，主要研究方向為移動邊緣計算網(wǎng)絡中的資源分配、能量管理和干擾管理。